L’IA générative se généralise, mais peu d’organisations disposent des données, des règles et des responsabilités nécessaires pour l’exploiter à grande échelle. La gouvernance Data / IA détermine ce qui peut être automatisé, avec quelles données, sous quelle responsabilité et à quel coût. Elle se construit usage par usage, en proportion des enjeux.
L’adoption de l’IA générative progresse nettement : d’après les statistiques de Gallup, 47 % des salariés américains déclarent que leur organisation a intégré des outils d’IA au deuxième trimestre 2026. L’enquête AI Diffusion de Microsoft indique de son côté que 47,8 % des Français en âge de travailler utilisent des outils d’IA générative. Ces statistiques montrent un usage qui dépasse l’expérimentation, mais sans dire quelle valeur il crée.
Accéder aux modèles les plus performants ne garantit pas de disposer des données nécessaires pour les exploiter. Selon une étude d’IBM, 43 % des directeurs des opérations placent la qualité des données au premier rang de leurs priorités. La difficulté est ancienne : dès 2020, une enquête de Seagate estimait que 68 % des données potentiellement disponibles n’étaient pas exploitées (ce total comprenant aussi les données non collectées). L’enjeu économique était également documenté : une enquête Forrester de 2020 associe l’utilisation des données pour décider à une probabilité supérieure de 58 % de dépasser ses objectifs de chiffre d’affaires, et une étude McKinsey de 2013 observait que les marques faisant un usage intensif des données clients avaient 23 fois plus de chances de surpasser nettement leurs concurrents en acquisition.
Le risque est d’accumuler des outils d’IA plus vite que votre capacité à les alimenter, les contrôler et les intégrer à vos opérations. C’est dans cet écart que se creuse un retard durable. Quelles données mobiliser, avec quelle garantie de qualité, sous quelle responsabilité et à quel coût ? Isoskèle défend un principe directeur pour y répondre : proportionner le niveau d’exigence (qualité des données, contrôle, traçabilité) à l’usage visé. Ce principe évite deux écueils : la refonte générale du patrimoine de données qui paralyse, et le déploiement sans garde-fous qui expose.
Un usage prometteur peut rester impossible à déployer
Imaginez que votre enseigne de distribution souhaite utiliser l’IA pour préparer une campagne de réactivation. Ce dispositif doit aider à sélectionner des clients, proposer des offres pertinentes et rédiger des messages adaptés.
Sur un échantillon préparé par l’équipe projet, la démonstration est convaincante. Le passage aux données réelles révèle pourtant des difficultés : les historiques d’achat sont répartis entre plusieurs systèmes, certaines informations de contact sont anciennes, les réclamations récentes ne remontent pas dans l’outil de gestion de campagne, les exclusions commerciales sont gérées dans un fichier séparé... De plus, avant chaque campagne, les équipes doivent rapprocher les données et vérifier les résultats.
L’IA accélère effectivement la rédaction des contenus, mais le processus reste suspendu à ces opérations manuelles. Sans elles, le dispositif risque de proposer une offre inadaptée ou de solliciter un client dont la situation exige un autre traitement.
Le retard se mesure dans le temps nécessaire pour transformer une intuition en un usage opérationnel maîtrisé. Ses premiers effets sont visibles : journées de préparation, contrôles supplémentaires, corrections, reports de lancement. Son coût d’opportunité est plus délicat à établir : une campagne différée est une création de valeur retardée, et non un revenu perdu que l’on pourrait chiffrer sans point de comparaison.
À terme, l’écart va se creuser entre une marque qui repart de zéro à chaque campagne et une autre qui capitalise sur des ressources réutilisables : données documentées, accès maîtrisés, critères d’évaluation et procédures de contrôle.
Préparer les données que l’usage exige
La solution n'est certainement pas de lancer une refonte générale. Un tel chantier peut être nécessaire, mais il ne doit pas devenir le préalable à toute initiative. Le point de départ est la décision ou la campagne que vous souhaitez améliorer.
Dans notre exemple, identifier des clients inactifs suppose de définir l’inactivité : absence d’achat depuis quelle durée, sur quels canaux, pour quelle catégorie de produits ? Proposer une offre exige de connaître les conditions d’éligibilité. Préparer un contact demande les informations et les règles qui déterminent si la sollicitation est appropriée. La qualité s’évalue donc par rapport à l’usage : une donnée actualisée chaque semaine peut suffire à une analyse de tendance, mais être trop ancienne pour une action déclenchée après un achat.
Quatre questions structurent la préparation de chaque donnée critique :
- Quelle source fait référence lorsque plusieurs systèmes se contredisent ?
- À quelle fréquence l’information doit-elle être actualisée ?
- Qui est responsable de la qualité et de la disponibilité de la donnée ?
- Que doit faire le dispositif si elle manque ou paraît incohérente ?
La dernière question est essentielle : une donnée absente ne doit jamais être remplacée implicitement par une supposition. Selon la situation, le système peut exclure un dossier, demander une vérification ou interrompre le traitement.
Enfin, il n’est pas nécessaire de tout remettre à niveau pour commencer : il suffit de maîtriser les données dont dépend l’usage retenu. La préparation d’un premier brouillon à partir d’un document validé exige peu d’intégration, alors que la personnalisation d’une offre client réclame des données précises et des règles rigoureuses. Cette distinction permet de proportionner l’effort.
Gouverner ensemble les modèles, les agents, les données et les coûts
Pour ne pas rester théorique, la gouvernance Data / IA doit se traduire dans le fonctionnement quotidien. Quatre éléments structurent les décisions : les modèles, les agents, les accès aux données et les coûts de calcul.
Les modèles : évaluer la qualité sur les tâches réelles
Choisir un modèle génératif suppose de préciser son contexte d’usage. Pour un message de réactivation, la fluidité de la rédaction ne suffit pas : le texte doit respecter l’offre, reprendre les bonnes informations, suivre les règles de marque et éviter les affirmations non justifiées.
L’évaluation doit porter sur des situations représentatives, y compris les cas incomplets ou ambigus, avec des critères d’acceptation établis avant le déploiement. Un changement de modèle ou une modification importante du dispositif justifie une nouvelle évaluation.
Les agents : distinguer recommandation et exécution
Un agent consulte des informations et utilise des outils pour accomplir une tâche. Son périmètre d’action doit être explicite et limité à ce qui est nécessaire (principe du moindre privilège). Définir une audience, formuler un message et lancer une campagne correspondent à trois niveaux de responsabilité différents : autoriser les deux premières opérations n’implique pas d’autoriser la troisième.
Il faut donc spécifier les actions accessibles, les limites de volume, les validations humaines et les conditions d’arrêt. Le dispositif doit aussi permettre de comprendre ce qui a été exécuté et, lorsque c’est possible, de revenir sur une action.
Les agents : distinguer recommandation et exécution
Une fois les données préparées, reste à décider qui, ou quel agent, peut les utiliser. Chaque usage doit être relié à des sources identifiées et à des droits adaptés. Donner accès à toutes les données disponibles parce que cela simplifie l’intégration rend leur utilisation plus difficile à contrôler.
La traçabilité doit permettre de retrouver les informations mobilisées et les étapes suivies lorsqu’un résultat pose problème. Elle doit rester proportionnée : consigner systématiquement toutes les données dans des journaux peut créer de nouvelles difficultés de confidentialité et de gestion.
Les coûts : les intégrer aux choix d’architecture
Les modèles génératifs ne lisent pas des mots mais des tokens, des fragments de texte (un mot courant en compte généralement un à deux). La facturation repose sur leur nombre, avec des tarifs distincts pour les tokens envoyés au modèle (consignes, données de contexte, historique de la conversation...) et pour ceux qu’il génère (réponses), ces derniers étant souvent plus coûteux. Le coût d’une opération dépend donc de la quantité de données transmises, de la longueur des réponses et du nombre d’appels nécessaires. Un agent qui enchaîne vérifications et reprises renvoie à chaque étape tout ou partie du contexte : il peut consommer bien davantage qu’une simple génération.
Ces dépenses doivent être estimées selon les volumes de production, puis observées en fonctionnement. Plusieurs arbitrages sont possibles : limiter les données transmises, choisir un modèle proportionné à la tâche, plafonner les enchaînements ou traiter certaines opérations par lots. L’économie attendue doit toutefois être comparée aux effets sur la qualité, les délais et le travail humain.
Attribuer les décisions avant la mise en production
Un dispositif peut être techniquement prêt et rester bloqué faute de responsabilités claires : qui accepte le niveau de qualité ? Qui traite une anomalie ? Qui peut suspendre le fonctionnement ? Ces réponses doivent être données avant le lancement.
À titre d’exemple, le service marketing définirait l’objectif, les règles métier et les résultats attendus. La direction du digital et les équipes data organiseraient la cohérence du dispositif et la disponibilité des données. La DSI interviendrait sur l’intégration, la gestion des accès, la robustesse du système et sa continuité. La fonction juridique et le RSSI apporteraient leur analyse selon les traitements concernés. Cette répartition doit être adaptée à chaque organisation. L’essentiel est de désigner un responsable de l’usage en production, qui dispose d’une visibilité sur la qualité, les incidents et les coûts, peut solliciter les bons interlocuteurs et déclencher une correction ou une suspension.
Une gouvernance efficace réduit l’incertitude sur les décisions à prendre et sur la personne qui doit les prendre. Elle prévoit des règles simples pour les situations récurrentes et une procédure d’escalade pour les exceptions. Enfin, les contrôles doivent rester proportionnés aux conséquences : la préparation d’un message interne peut tolérer une correction par son utilisateur, l’envoi d’une offre à plusieurs milliers de clients appelle d’autres garanties. C’est la portée de l’action qui fixe le niveau de validation.
Retour d’expérience Isoskèle
...
Une gouvernance qui ouvre sur la suite
Toute l’attention se porte aujourd’hui sur le choix du modèle génératif. Les compétences, l’organisation et l’adoption par les équipes comptent pourtant tout autant, et aucun de ces leviers ne dispense de maîtriser les données dont dépendent les opérations. Définir une gouvernance Data / IA n’a rien d’anodin : elle conditionne la réussite ou l’échec de nombreux usages marketing.
La mise en place d'une gouvernance suppose d’orchestrer des ressources disparates au sein d’un système cohérent : des données et des informations exploitables, des actions encadrées, des responsabilités attribuées et des coûts maîtrisés. Accélérer sans perdre la maîtrise suppose de savoir ce que l’on peut déployer et maintenir. Avant d’ajouter un nouvel usage de l’IA à votre feuille de route, posez-vous trois questions : quelles données devront être exploitées, qui répondra du résultat, et quels coûts et quelle marge d’erreur sont acceptables ?
